Scrapy爬虫框架集成Selenium来解析动态网页

1、爬虫项目单独使用scrpay框架的不足

当前网站普遍采用了javascript 动态页面，特别是vue与react的普及，使用scrapy框架定位动态网页元素十分困难，而selenium是最流行的浏览器自动化工具，可以模拟浏览器来操作网页，解析元素，执行动作，可以处理动态网页，使用selenium处理1个大型网站，速度很慢，而且非常耗资源，是否可以将selenium集成到scrapy框架中，发挥二者的优点呢？

Scrapy集成selenium的关键是，将其放入DownloaderMiddleware. 如下面的scrapy原理图，可以在Downloader的中间件方法中，修改request与response对象，再返回给scrapy

可以自定义downloader middleware 中间件类来集成selenium，当然实现selenium的所有特性，工作量比较大。因此，我们推荐使用scrapy-selenium第3方为来集成。

2. 搭建 scrapy-selenium 开发环境

2.1 安装scrapy-selenium库

pip install scrapy-selenium
python 版本应大于3.6,

2.2 安装浏览器驱动

本机上应该安装有1个selenium支持的浏览器，如chrom, firefox, edge等
再安装对应浏览器、版本的webdrive
下载 downloaded chromedriver.exe 之后，放在项目根目录下，或者加入系统环境变量。

2.3 集成selenium到scrapy 项目

项目结构如下

├── scrapy.cfg
├── chromedriver.exe ## <-- Here
└── myproject
    ├── __init__.py
    ├── items.py
    ├── middlewares.py
    ├── pipelines.py
    ├── settings.py
    └── spiders
        └── __init__.py

进入项目文件夹，更新settings.py

## settings.py# for Chrome driver from shutil import which
  
SELENIUM_DRIVER_NAME ='chrome'
SELENIUM_DRIVER_EXECUTABLE_PATH = which('chromedriver')
SELENIUM_DRIVER_ARGUMENTS=['--headless']  
  
DOWNLOADER_MIDDLEWARES ={'scrapy_selenium.SeleniumMiddleware':800}

3. 在spider中使用selenium来解析网页

在spider中，用SeleniumRequest 类来代替selenium内置的Request类。

## spider.pyimport scrapy
from quotes_js_scraper.items import QuoteItem
from scrapy_selenium import SeleniumRequest

classQuotesSpider(scrapy.Spider):
    name ='quotes'defstart_requests(self):
        url ='https://quotes.toscrape.com/js/'yield SeleniumRequest(url=url, callback=self.parse)defparse(self, response):
        quote_item = QuoteItem()for quote in response.css('div.quote'):
            quote_item['text']= quote.css('span.text::text').get()
            quote_item['author']= quote.css('small.author::text').get()
            quote_item['tags']= quote.css('div.tags a.tag::text').getall()yield quote_item

scrapy 会自动调用selenium来解析response回传的页面元素，这里selenium 使用的是headless chrom浏览器。

4. 使用selenium 的特性来爬取数据

可以使用selenium的特性，如
• 网页元素等待
• 模拟点击等操作
• 屏幕截图
等。

(1）Waits 功能

动态网页定位不到元素，通常是由于组件加载顺序，ajax 异步请求更新等造成的，而selenium提供了 wait_until的功能来处理实现对动态网页元素的定位。
所有request 等待10秒

defstart_requests(self):
        url ='https://quotes.toscrape.com/js/'yield SeleniumRequest(url=url, callback=self.parse, wait_time=10)

使用selenium wait_until条件等待功能

## spider.pyimport scrapy
from quotes_js_scraper.items import QuoteItem
 
from scrapy_selenium import SeleniumRequest
from selenium.webdriver.common.by import By
from selenium.webdriver.support import expected_conditions as EC

classQuotesSpider(scrapy.Spider):
    name ='quotes'defstart_requests(self):
        url ='https://quotes.toscrape.com/js/'yield SeleniumRequest(
                    url=url, 
                    callback=self.parse, 
                    wait_time=10,
                    wait_until=EC.element_to_be_clickable((By.CLASS_NAME,'quote')))defparse(self, response):
        quote_item = QuoteItem()for quote in response.selector.css('div.quote'):
            quote_item['text']= quote.css('span.text::text').get()
            quote_item['author']= quote.css('small.author::text').get()
            quote_item['tags']= quote.css('div.tags a.tag::text').getall()yield quote_item

(2) 点击按钮

比如，可以配置selenium执行 a 标签的点击事件

lass QuotesSpider(scrapy.Spider):
    name ='quotes'defstart_requests(self):
        url ='https://quotes.toscrape.com/js/'yield SeleniumRequest(
            url=url,
            callback=self.parse,
            script="document.querySelector('.pager .next>a').click()",)

(3）页面截图

## spider.pyimport scrapy
from quotes_js_scraper.items import QuoteItem
from scrapy_selenium import SeleniumRequest

classQuotesSpider(scrapy.Spider):
    name ='quotes'defstart_requests(self):
        url ='https://quotes.toscrape.com/js/'yield SeleniumRequest(
                    url=url, 
                    callback=self.parse, 
                    screenshot=True)defparse(self, response):withopen('image.png','wb')as image_file:
            image_file.write(response.meta['screenshot'])